什么是智能商业时代的开启?其实今天从智能手机、智能家电到智能电动汽车，我们的身边充斥了大大小小、五花八门的智能产品。但是智能产品出现本身并不代表着我们的商业范式发生了变化。企业仍然按照以往的逻辑进行产品的研发、生产与销售，只是产品目录中多了一些具有智能交互功能的“智能产品”罢了。
智能商业时代的业务范式是完全不同于今日的：届时智能终端所产生的数据会被广泛地应用于算法的迭代优化、并反过来指导和改变企业的各项业务活动。如果说今天的商业活动是由资本驱动的，那么智能商业的一个重要标志是：数据将会替代资本，成为整个商业系统运行的根本驱动力。因此这样看来，今天智能终端的出现只是一个“序章”，距离智能商业时代的真正开启尚有时日。
所以时代交替会在什么时候发生呢?答案是：或许并不会有明确的分界。在《只有偏执狂才能生存》一书中，作者格鲁夫用“变脸”来比喻战略转折点的来临：不知不觉中一张脸消失了，与此同时，一副新面也显现了，你无法准确地说第一张脸消逝、第二张脸新生的那转瞬一刻。你所知道的只是在那过程的开始你见到的是一副模样，而到结束时又是另一副模样。
可以肯定的是：智能商业时代的开启不会是“忽如一夜春风来，千树万树梨花开”的骤变，而是悄然、渐次地改变各个产业的游戏规则。有一些行业转变得早一些，另一些则转变得晚一些。而如果深入到某个行业，我们也很难判断是哪一天、哪一刻，它正式进入了智能商业时代。
因此，预测智能商业的起始时间不仅不具有可行性，意义也不大。重要的是：通过一些趋势指征，我们可以判断出：智能商业时代正在加速临近。而这就足以让我们在今天就提高警觉，做好迎接的准备了。
这些趋势指征主要体现在三个方面：算法、计算能力和数据。
算法
智能算法一直在不断更新，在最近几年取得了突破性的发展。
人工智能学科早在1956年就正式设立，但是发展并不顺利。早期的研究方向注重逻辑推理、自动证明和向计算机发出指令、使计算机执行命令。但是真实世界是多样、不确定的，人类对其的感知也很难用因果、指令来模拟，因此基于逻辑的人工智能范式很快就遇到了瓶颈。之后人工智能领域发展出了“机器学习”这一分支。它不依赖于事先定义好的程序和规则，而是从现实的经验和例子中进行学习。虽然这种智能范式更接近于人的思考方式，但是早期的算法一直未能取得突破性进展。
2006年深度学习算法被首次提出，将人工智能算法的发展推上了快车道。深度学习算法使得机器能够通过学习后自主提取特征，克服了之前难以进行机器训练的瓶颈。2012年左右，深度学习算法在图像识别、视频分类、语言翻译等各个领域的应用开始显现出威力。2013年随着谷歌、百度等企业设立人工智能/深度学习研究机构，深度学习算法在不同商业场景的应用研究可谓全面开花。我们由此进入了算法研究不断突破的高峰。直到2016年，AlphaGo的表现引起了人们的普遍关注，成为人工智能的重要里程碑。但围棋游戏只是众多深度学习算法应用中很小的一部分。它在其他领域的应用还会有更大的想象空间。
智能商业时代的临近，不仅仅是因为算法的突破。算法其实一直都在突破：AlphaGo固然是一个重要的里程碑，但是这样的里程碑AlphaGo并不是第一个，也绝不会是最后一个。比算法更重要的是：智能商业的基础设施正在趋于成熟。
基础设施是推动技术商业化的重要条件。例如：汽车普及除了需要具备造车技术外，还必须有配套的公路和加油站系统，而后者才是阻碍汽车普及的瓶颈因素。同样，智能手机也不是在触屏技术一成熟就迅速成为主流的。一直等到3G通信网络全面覆盖、上网价格逐步降低(也就是网络基础设施成熟)后，才有了全民手机的智能化。
智能算法的发展还远远不够，只有基础设施的建设也跟上来，才能将智能商业带入高速轨道。而智能商业的基础设施主要包括两个方面：数据和计算能力。
数据
数据是智能商业非常重要的“燃料”，我们知道AlphaGo的围棋能力是建立在百万级别棋局的学习基础上形成的。没有百万个高手对弈的棋局数据，算法无法迭代，就不可能成就AlphaGo的能力。此外，算法的应用也需要数据输入，例如：智能汽车、智能工厂、智能医疗的发展需要海量的路况交通、制造生产和医疗病史的数据。
近年来大数据积累的指数级增长为智能商业爆发奠定了良好的基础。数据资源的丰富化得益于计算领域的多场技术革命。从大型主机、小型计算机、微型计算机到智能手机、平板电脑、智能汽车，再到未来由智能设备连接而成的物联网，设备呈现出小型化、多样化、增量化的特征。根据IBM的预测，2020年互相连接的设备将达到300亿。这些智能设备不仅能捕捉社交和交易数据，还可以植入工业和交通设备中、走进消费者的冰箱、门锁、服装里，像触角一样渗透到商业场景的方方面面。
互联网设备数量激增的结果是：我们的数据会变得更加3D，即更直接(Direct)、更多元(Diverse)、更民主(Democratic)。海量的设备能够极大地丰富数据的来源，直接、全方位地搜集商业场景中的信息。它们也能够扩展可搜集数据的类型，从文字、视频、到位置、温度等，多维度地刻画场景。最后，数据的分布不再是中心化的，而是能够涵盖几乎所有的人和物。
数据的积累在近两年来指数级增长，为智能商业的开启打下了坚实的基础。实际上，我们所说的大数据，90%的数据是在近两年才生成的。这也是为什么智能商业不能在更早的时候到来的一个重要原因。而未来随着数据的近一步积累，必然会助推智能商业时代的开启。
计算能力
计算能力是智能商业的另一项重要基础设施。
从计算能力上看，智能商业对于计算能力提出了很高的要求。一方面，随着算法的进步，尤其是在模拟大脑神经网络的复杂情境下，模型所使用的参数数量难以计数;另一方面，随着数据的积累，算法所使用的数据规模也会呈指数级增长。这两个因素加起来，必定需要消耗大量的计算资源。如果硬件的计算能力没有等数量级的增长，算法的训练时间会大大延长、迭代速度难以突破，会成为智能商业发展的瓶颈。
事实上，有限的计算能力一直是人工智能领域挥之不去的阴影。数年前，先进的系统设计只能在理论上成立而无法实现，就是因为所需要的计算资源过于昂贵或超出了计算机的胜任范畴。
但是今天，计算机的运算能力在不断提升。在摩尔定律的作用下，同样体积、价格的计算机运算能力已经大幅提升。现在，虽然摩尔定律已经接近“终点”——让晶体管更小无法保证成本更低或速度更快——但是计算能力的发展仍然会以不同的逻辑延续下去。近年来，在计算架构领域有了新的突破，以并行计算见长的GPU性能快速提升。其他专注于深度学习加速的芯片也纷纷涌现，高性能计算领域内的“量子计算”概念被提出并投入研究。这些方向上的突破将保证计算能力的提升跟上人工智能发展的步伐。
另外，计算成本也在不断下降。有研究表明，三项核心数字技术的能力——计算能力、数据存储和带宽——的成本都在加速下降，并且下降的速度比之前技术基础设施(电力、电话)的速度更快。其中，每百万个晶体管的成本从1992年的222美元降低为2012年的0.06美元。在短短的20年间降低了3700倍之多。未来，随着云主机、云计算技术的成熟，企业可以按需租用计算能力，可以进一步精减计算能力的投资成本，降低了实现智能商业的资金门槛。
算法、数据和计算能力是促成智能商业发展的三大不可或缺的要素。近年来在这三个领域的突破性进展叠加在一起，将产生奇妙的化学反应，引爆智能商业的新浪潮。
